Text, který má znít nahlas – ať jde o video, podcast nebo článek pro někoho, kdo se hůř čte – dnes zvládne přečíst syntetický hlas skoro k nerozeznání od člověka. Skoro. Ten rozdíl mezi „skoro“ a „úplně“ se v češtině schovává na pár konkrétních místech: v číslech, ve zkratkách, v cizích jménech a v hlásce, kterou umí vyslovit jen málokdo mimo náš jazyk.
Jak zní česká syntéza řeči doopravdy
Neurální hlasy zvládají plynulou intonaci a přirozené tempo. Na první poslech často obstojí. Problém přichází v detailu: čeština obsahuje zvukové jevy, které jsou výzvou pro každý systém převodu textu na řeč, především hlásku „ř“, popisovanou jako zvuk, jenž se nenachází v žádném jiném hlavním jazyce. Jazyk při ní vibruje a zároveň produkuje tření, takže slova jako „řeka“, „tři“ nebo „dveře“ vyžadují znělou alveolární vibrantu s třením (speechgen.io).
Druhou záludností jsou slova bez zapsaných samohlásek, kde „r“ a „l“ přebírají roli slabiky a nesou takt – typicky „krk“, „vlk“ nebo „smrt“ (speechgen.io). U kratších frází to hlasový model obvykle ustojí. U delších souvětí s kumulací takových slov se rytmus zadrhne a je slyšet, že za mikrofonem nestojí člověk.
Co reálně zlepší výslovnost
Bez dalšího zásahu si TTS enginy dělají vlastní rozhodnutí o tempu, důrazu a výslovnosti, což často vede k neobratným nebo nesprávným přečtením – zejména u dat, čísel a zkratek (medium.com/@brijeshrn). Řešením je SSML, tedy Speech Synthesis Markup Language: značkovací jazyk doporučený konsorciem W3C, který dává autorům standardní způsob, jak řídit výslovnost a další aspekty řečového výstupu (w3.org).
Konkrétně to funguje takto. Značka say-as řekne enginu, jak vyslovit číslo, datum, čas nebo telefonní číslo, tedy jestli je to řadová číslovka, rok, nebo obyčejné číslo (kodekloud.com). Značka phoneme slouží k definování vlastní výslovnosti pro technické termíny, jména nebo nestandardní slova – ideální pro cizí jména, která by jinak systém přečetl foneticky česky. A značka sub umožní nahradit zkratku plným výrazem, takže se třeba „W3C“ přečte jako celý název organizace místo hláskování (cloud.google.com).
- say-as – správné čtení čísel, dat a časů
- phoneme – vlastní výslovnost jmen a technických termínů
- sub – náhrada zkratky celým výrazem
- break – pauza tam, kde ji věta potřebuje
- prosody – úprava tempa a výšky hlasu
Tyto značky podporují Google Cloud TTS, Amazon Polly i Azure Speech Service. Každý poskytovatel k nim ale přidává vlastní rozšíření a u novějších neurálních modelů některé z nich omezuje (picovoice.ai).
Kde je i tak slyšet, že mluví stroj
Ani se zapsaným SSML se nevyhnete tomu, že delší text s odbornou terminologií nebo s množstvím vlastních jmen bude znít mírně mechanicky. Ne kvůli technologii, ale kvůli tomu, že autor musí každé problematické slovo označit ručně. U krátkých příspěvků na sítě nebo u jednoduchých článků se tahle práce vyplatí málokdy. Vyplatí se tam, kde poslech opakuje více lidí najednou: u firemního podcastu, u audioknihy, u namluvení celého kurzu.
Konkrétní hlas ovlivňuje i to, jak přirozeně zní emoce a důraz. Standardní hlasy lze použít pro každý podporovaný jazyk bez nutnosti dalšího nastavení a fungují dobře ve většině scénářů, pokud není potřeba jedinečný projev (learn.microsoft.com). Pro expresivnější výsledek, třeba u vyprávění nebo dramatičtějšího čtení, míří uživatelé k nástrojům jako ElevenLabs, který bývá spojován i s konkrétními českými hlasy a možností klonování (aidatabaze.cz).
Jak vybrat nástroj pro váš text
Volba se liší podle toho, co s výstupem chcete dělat. Pro rychlé přečtení článku nebo pro přístupnost webu stačí standardní hlas bez dalšího ladění. Pro video s titulky se navíc vyplatí sladit tempo řeči s délkou záběrů – k tomu se hodí kombinace s nástroji z kategorie titulků. Kompletní přehled nástrojů pro syntézu řeči, včetně těch s podporou češtiny, najdete v kategorii převod textu na řeč.
Než nástroj vyberete, zkuste na něm přečíst text s čísly, zkratkou a alespoň jedním cizím jménem. Přesně tam se rozdíly mezi poskytovateli projeví nejvíc. Test zabere pár minut a ušetří pozdější přeposlouchávání celého souboru.
Kdy je povinnost říct, že mluví stroj
Od 2. srpna 2026 platí čl. 50 evropského AI Actu (nařízení EU 2024/1689), který zavádí povinnost transparentnosti u syntetického obsahu – a to napříč čtyřmi modalitami: text, obraz, audio a video, tedy i syntetické hlasy (businessinfo.cz). Podle Ministerstva průmyslu a obchodu ČR má transparentnost zajistit, že uživatelé budou schopni poznat, kdy komunikují se systémem umělé inteligence nebo kdy jsou vystaveni obsahu, který byl vytvořen či upraven pomocí AI (mpo.gov.cz).
V Česku dodržování kontroluje Český telekomunikační úřad. Doporučil subjektům pracujícím s AI systémy vyhodnotit, zda se jich požadavky týkají, včetně médií, která zveřejňují texty, obrázky či audiovizuální obsah upravený nebo zcela vytvořený umělou inteligencí. Povinné označování se týká i využívání syntetických hlasů v rozhlasovém vysílání (televizniweb.mediar.cz). Informace o použití AI musí být poskytnuta jasným a rozlišitelným způsobem nejpozději při první interakci nebo prvním vystavení danému obsahu (mpo.gov.cz).
Zvlášť pozor si dejte, pokud byste chtěli použít klonovaný hlas konkrétní reálné osoby. To je samostatná právní otázka, nezávislá na tom, jak obsah označíte. Použití podobizny nebo hlasu konkrétní osoby vyžaduje její souhlas podle § 84 a § 85 občanského zákoníku, bez ohledu na to, zda obsah oznámíte jako syntetický (muj-pravnik.cz).
Microsoft na riziko zneužití reaguje i technicky. Zavedl vodoznak v neurální TTS řeči pro identifikaci syntetického hlasu jako reakci na skutečnost, že pokročilá neurální TTS technologie dělá syntetickou řeč nerozeznatelnou od lidského hlasu, což s sebou nese riziko škodlivých deepfake (techcommunity.microsoft.com).
Musím u každého videa s AI hlasem napsat, že mluví stroj?
Podle AI Actu je to povinnost od 2. srpna 2026, a to napříč textem, obrazem, audiem i videem. Informace musí být jasná a rozlišitelná už při první interakci s obsahem, nestačí ji schovat do popisku pod videem.
Zvládne dnešní TTS přečíst česká cizí jména správně?
Bez zásahu často ne.
Je rozdíl mezi standardním a neurálním hlasem slyšet?
Ano, hlavně v intonaci a v přirozenosti důrazu na delší souvětí. Standardní hlas si poradí s běžným čtením, u vyprávění nebo reklamy ale bývá slyšet, že mu chybí emoční nuance, které neurální modely zvládají lépe.
Smím si naklonovat vlastní hlas pro čtení textů?
Vlastní hlas ano. Jakmile ale jde o hlas jiné konkrétní osoby, potřebujete její souhlas podle občanského zákoníku, a to bez ohledu na to, že obsah označíte jako syntetický.
Vyplatí se SSML i pro krátký text na sociální síť?
Většinou ne – ruční značkování čísel a jmen zabere čas, který se u jednorázového příspěvku nevrátí. Smysl má u obsahu, který poslechne víc lidí opakovaně, třeba u podcastu nebo kurzu.